CN111460985A - 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 - Google Patents
基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 Download PDFInfo
- Publication number
- CN111460985A CN111460985A CN202010239833.9A CN202010239833A CN111460985A CN 111460985 A CN111460985 A CN 111460985A CN 202010239833 A CN202010239833 A CN 202010239833A CN 111460985 A CN111460985 A CN 111460985A
- Authority
- CN
- China
- Prior art keywords
- person
- camera
- similarity
- personnel
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于跨摄像头人体匹配的现场工人轨迹统计方法和系统,属于安防监控领域。包括以下步骤:获取现场所有摄像头的视频图像数据,识别所述视频图像数据中出现的每一个人员并为其分配一个人员ID;利用多个维度信息预测每个人员可能到达的摄像头;对摄像头的图像进行人体匹配时,将摄像头的图像与预测会出现在这个摄像头的人员图片进行匹配分析;若在工地出口处跟踪到了预测到达的人员,则跟踪结束并生成该人员的总路径,与所述人员ID关联保存至数据库。本发明充分利用了工地上的摄像头视频数据,无需额外配备大量的硬件设施;自动统计工人运动轨迹,给工地管理提供了方便,极大地减轻了安保人员的工作量。
Description
技术领域
本发明属于安防监控领域,更具体地,涉及一种基于跨摄像头人体匹配的现场工人轨迹统计方法和系统。
背景技术
目前工地现场依靠的是携带移动终端的方式来确定工人的移动轨迹。移动终端一般是工人放在身上、可以进行沟通或者管理的工具。当工人进入工地上班的时候,通过开启终端来实施定位功能,并且通过GPS定位系统实时定位,可以通过管理终端来查看工人的行动轨迹,根据进出工地的时间来实现考勤等目的;或者通过携带电子卡的方式,在进入工地之前在总部的手持机上面进行操作,然后将电子卡挂在脖子上或者别在衣服上面,进入工地之后,在工地的相应位置安装终端设备,在工人经过终端设备的时候,会自动扫码,然后将工人的实时位置传回总部,以此来实现工人运动轨迹的判断。目前应用的这两种方法都需要工人携带与之相应的设备,而没有与人的面部相匹配,仅仅是通过携带者来确认此人的信息。这个时候如果有的人没有携带相对应的设备或者电子卡,就会导致无法确认此人的运动轨迹,或者出现拿错、冒用等情况,带来一系列不必要的麻烦。
解决以上问题的一种方式是借助人体特征识别。经过对现有文献的检索,发现以下现有相关技术:公布号为:108491750A,名称为“人脸识别方法”,该方法通过对视频中位置进行坐标判断和根据灰度化图像进行轮廓判断来进行人脸匹配判断,但对于没有定位系统或者图像环境复杂的场景无法进行检测,且准确率较低;公布号为:110276314A,名称为“人脸识别方法及人脸识别摄像机”,该方法通过对分析技术辨识出人的性别、年龄、特征和特征值进行对比,识别出该人的身份信息,但该方法需要大量的人的信息标签,并且对于跨摄像头人体轨迹检测无法实现。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于跨摄像头人体匹配的现场工人轨迹统计方法和系统,旨在解决现场工人轨迹统计不方便、不准确的问题。
为实现上述目的,本发明一方面提供了一种基于跨摄像头人体匹配的现场工人轨迹统计方法,包括以下步骤:
获取现场所有摄像头的视频图像数据,识别所述视频图像数据中出现的每一个人员并为其分配一个人员ID;
预测每个人员可能到达的摄像头;
对摄像头的图像进行人体匹配时,将摄像头的图像与预测会出现在这个摄像头的人员图片进行匹配分析:若相似度高于第一预设阈值,则取相似度最高的人为到达该摄像头的人,并将前一个摄像头与该摄像头之间的路径添加到这位人员的路径中;当一个摄像头中的图像与所有人员图片的相似度均低于所述第一预设阈值时,则匹配不成功,直接转到处理下一个预测可能到达的摄像头,直至所有预测可能到达的摄像头全部处理完毕;
若在工地出口处跟踪到了预测到达的人员,则跟踪结束并生成该人员的总路径,与所述人员ID关联保存至数据库。
进一步地,预测每个人员可能到达的摄像头包括:
利用多个维度信息预测人员在下一个时间段可能出现在哪些摄像头中;所述多个维度信息包括现场人员出现在前一处摄像头的时间、前一处摄像头的地理位置和人的平均行走速度。
进一步地,对摄像头的图像进行人体匹配时,还包括:若该人员预测可能到达的所有摄像头均匹配不成功,则判定该人员跟踪丢失。
进一步地,还包括以下步骤:
利用基于度量分析的REID方法,将识别出现的每一个人员与预先存储在数据库中的工人面部信息进行相似度分析,若相似度高于预设第二阈值,则判定该人员的身份为现场工人,若相似度低于所述预设第二阈值,则判定该人员的身份为外来人员。
进一步地,所述相似度分析中加入边界挖掘损失;
四元组损失为损失计算加入四张图片:固定图片、正样本图片、第一负样本图片和第二负样本图片。
进一步地,所述获取现场所有摄像头的视频图像数据均在服务器端进行处理。
优选地,获取现场所有摄像头的视频图像数据后,利用卷积神经网络识别所述视频图像数据中出现的每一个人员。
本发明的另一方面提供了一种基于跨摄像头人体匹配的现场工人轨迹统计系统,包括:
识别单元,用于在获取现场所有摄像头的视频图像数据后,识别所述视频图像数据中出现的每一个人员并为其分配一个人员ID;
预测单元,用于预测每个人员可能到达的摄像头;
匹配单元,用于对摄像头的图像进行人体匹配时,将摄像头的图像与预测会出现在这个摄像头的人员图片进行匹配分析:若相似度高于第一预设阈值,则取相似度最高的人为到达该摄像头的人,并将前一个摄像头与该摄像头之间的路径添加到这位人员的路径中;当一个摄像头中的图像与所有人员图片的相似度均低于所述第一预设阈值时,则匹配不成功,直接转到处理下一个预测可能到达的摄像头,直至所有预测可能到达的摄像头全部处理完毕;
生成单元,若在工地出口处跟踪到了预测到达的人员,则跟踪结束并生成该人员的总路径,与所述人员ID关联保存至数据库。
进一步地,系统还包括
身份判别单元,其利用基于度量分析的REID方法,将识别出现的每一个人员与预先存储在数据库中的工人面部信息进行相似度分析,若相似度高于预设第二阈值,则判定该人员的身份为现场工人,若相似度低于所述预设第二阈值,则判定该人员的身份为外来人员。
优选地,所述识别单元利用卷积神经网络识别所述视频图像数据中出现的每一个人员。
通过本发明所构思的以上技术方案,与现有技术相比,本发明利用人体匹配的方法,通过对工地上所有摄像头的视频数据进行分析处理,从而可以在工人进入工地时无须携带移动终端就能可靠地识别出工人的身份信息,并自动绘制出每一个工人在工地的运动轨迹,给工地管理提供了方便,极大地减轻了安保人员的工作量;而且,充分利用了工地上的摄像头视频数据,在硬件上只需要部署一台服务器,无需额外配备大量的硬件设施。
附图说明
图1是本发明实施例的视频处理的流程图;
图2是本发明实施例在采集视频过程中捕捉工人图像的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本公开的实施例仅使用服务器来实现基于跨摄像头人体匹配的现场工人轨迹统计方法。服务器端执行的步骤是视频处理的流程,流程图如图1所示,目的在于在线跟踪工人,其步骤如下:
(a)获取现场工地出入口摄像头和现场工地各处设施附近摄像头的视频数据(如图2),并传输至服务器;
(b)抓取现场工地的视频数据中的图像帧,并利用CNN(卷积神经网络)提取每一个出现在图片上的人员,分配一个人员ID(唯一编码),把该ID号人员标记为已进入工地。
(c)利用多个维度信息(时间、地理信息等)预测每一个人可能到达的摄像头。
其中,多维度信息是指根据现场人员在前一处摄像头处出现的时间、前一处摄像头所处的地理位置、人行走的平均速度等信息,推断人可能在哪个时间范围内出现在哪些摄像头中。利用多维度信息预测的方法,可以大幅减少后续进行相似度匹配的工人数目,极大地减轻了服务器的运算压力。
(d)利用人体匹配的方法,将摄像头的图像与预测将会出现在这个摄像头的人的图片相匹配,设定一个阈值,若相似度高于阈值,则取相似度最高的人为到达该摄像头的人,并将前一个摄像头与该摄像头之间的路径添加到该人员的路径中;若一个摄像头中的所有人图片相似度都太低,则转而处理下一个可能的摄像头,直至所有可能摄像头处理完毕。若该人员的所有可能达到的摄像头的图片相似度均低于阈值,则判定该人跟踪丢失。
(e)若在工地出口处跟踪到了预测到达的人,则该人员即将离开现场工地,跟踪结束,并生成该人员的总路径,清除已进入工地标记,与人员ID关联保存至数据库。
(f)利用人脸面部识别方法与数据库中预先采集的工人的面部信息使用基于度量分析的REID方法进行相似度分析,设定出一个阈值,若相似度高于阈值,则判定为本工地的工人;若相似度低于阈值,则判定为外来人员。
在相似度分析中加入了边界挖掘损失,四元组损失为损失计算加入四张图片,即固定图片(Anchor),正样本图片(Positive),负样本图片1(Negative1)和负样本图片2(Negative2);
对于每一个训练batch,随机挑选P个ID的行人,每个行人随机挑选K张不同的图片,即一个batch含有P×K张图片,然后计算一个N×N的距离矩阵。之后对于一个batch,我们只挑选一个最难的正样本对和一个最难的负样本对。这种采样方法并不会浪费训练数据,因为两个样本对的选择,是由整个批次中所有的数据决定的,随着训练次数增加,损失的下降,不仅仅两个选择的样本对,大部分的正负样本对之间的距离都会变大。这样做是为了把正负样本对的边界给推开,最后在特征嵌入空间,正负样本对之间会出现一个明显的分界。边界挖掘损失实现了同时兼顾相对距离和绝对距离并引入了难样本采样思想的度量学习方法。
相应地,本公开的实施例还提供了一种基于跨摄像头人体匹配的现场工人轨迹统计系统,包括:
识别单元,用于在获取现场所有摄像头的视频图像数据后,识别所述视频图像数据中出现的每一个人员并为其分配一个人员ID;
预测单元,用于预测每个人员可能到达的摄像头;
匹配单元,用于对摄像头的图像进行人体匹配时,将摄像头的图像与预测会出现在这个摄像头的人员图片进行匹配分析:若相似度高于第一预设阈值,则取相似度最高的人为到达该摄像头的人,并将前一个摄像头与该摄像头之间的路径添加到这位人员的路径中;当一个摄像头中的图像与所有人员图片的相似度均低于所述第一预设阈值时,则匹配不成功,直接转到处理下一个预测可能到达的摄像头,直至所有预测可能到达的摄像头全部处理完毕;
生成单元,若在工地出口处跟踪到了预测到达的人员,则跟踪结束并生成该人员的总路径,与所述人员ID关联保存至数据库;
身份判别单元,其利用基于度量分析的REID方法,将识别出现的每一个人员与预先存储在数据库中的工人面部信息进行相似度分析,若相似度高于预设第二阈值,则判定该人员的身份为现场工人,若相似度低于所述预设第二阈值,则判定该人员的身份为外来人员。
优选地,所述识别单元利用卷积神经网络识别所述视频图像数据中出现的每一个人员。
本发明提供的基于跨摄像头的人体匹配的现场工人轨迹统计方法和系统充分利用了现场工人的人体信息和中途大量摄像头的视频数据,通过卷积神经网络(CNN)、相似度分析、多维度信息融合策略等方式实现了现场工人的在线跟踪。不仅记录了现场工人在进入、离开工地时的信息(进入时间,进入地点,运动轨迹,姓名等),还可以记录现场工人在工地中经过每一个摄像头时的信息,查询到现场工人在何时呆在什么地方、工作时长等等。同时能给工地提供更安全的施工环境,减少因为人工疏忽而带来隐患的可能,以及更加方便的在出现隐患后对现场人员进行排查。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于跨摄像头人体匹配的现场工人轨迹统计方法,其特征在于,包括以下步骤:
获取现场所有摄像头的视频图像数据,识别所述视频图像数据中出现的每一个人员并为其分配一个人员ID;
预测每个人员可能到达的摄像头;
对摄像头的图像进行人体匹配时,将摄像头的图像与预测会出现在这个摄像头的人员图片进行匹配分析:若相似度高于第一预设阈值,则取相似度最高的人为到达该摄像头的人,并将前一个摄像头与该摄像头之间的路径添加到这位人员的路径中;当一个摄像头中的图像与所有人员图片的相似度均低于所述第一预设阈值时,则匹配不成功,直接转到处理下一个预测可能到达的摄像头,直至所有预测可能到达的摄像头全部处理完毕;
若在工地出口处跟踪到了预测到达的人员,则跟踪结束并生成该人员的总路径,与所述人员ID关联保存至数据库。
2.如权利要求1所述的现场工人轨迹统计方法,其特征在于,预测每个人员可能到达的摄像头包括:
利用多个维度信息预测人员在下一个时间段可能出现在哪些摄像头中;所述多个维度信息包括现场人员出现在前一处摄像头的时间、前一处摄像头的地理位置和人的平均行走速度。
3.如权利要求2所述的现场工人轨迹统计方法,其特征在于,对摄像头的图像进行人体匹配时,还包括:若该人员预测可能到达的所有摄像头均匹配不成功,则判定该人员跟踪丢失。
4.如权利要求1所述的现场工人轨迹统计方法,其特征在于,还包括以下步骤:
利用基于度量分析的REID方法,将识别出现的每一个人员与预先存储在数据库中的工人面部信息进行相似度分析,若相似度高于预设第二阈值,则判定该人员的身份为现场工人,若相似度低于所述预设第二阈值,则判定该人员的身份为外来人员。
5.如权利要求4所述的现场工人轨迹统计方法,其特征在于,所述相似度分析中加入边界挖掘损失;
四元组损失为损失计算加入四张图片:固定图片、正样本图片、第一负样本图片和第二负样本图片。
6.如权利要求1-5任一项所述的现场工人轨迹统计方法,其特征在于,所述获取现场所有摄像头的视频图像数据均在服务器端进行处理。
7.如权利要求1-5任一项所述的现场工人轨迹统计方法,其特征在于,获取现场所有摄像头的视频图像数据后,利用卷积神经网络识别所述视频图像数据中出现的每一个人员。
8.一种基于跨摄像头人体匹配的现场工人轨迹统计系统,其特征在于,包括
识别单元,用于在获取现场所有摄像头的视频图像数据后,识别所述视频图像数据中出现的每一个人员并为其分配一个人员ID;
预测单元,用于预测每个人员可能到达的摄像头;
匹配单元,用于对摄像头的图像进行人体匹配时,将摄像头的图像与预测会出现在这个摄像头的人员图片进行匹配分析:若相似度高于第一预设阈值,则取相似度最高的人为到达该摄像头的人,并将前一个摄像头与该摄像头之间的路径添加到这位人员的路径中;当一个摄像头中的图像与所有人员图片的相似度均低于所述第一预设阈值时,则匹配不成功,直接转到处理下一个预测可能到达的摄像头,直至所有预测可能到达的摄像头全部处理完毕;
生成单元,若在工地出口处跟踪到了预测到达的人员,则跟踪结束并生成该人员的总路径,与所述人员ID关联保存至数据库。
9.如权利要求8所述的现场工人轨迹统计系统,其特征在于,还包括
身份判别单元,其利用基于度量分析的REID方法,将识别出现的每一个人员与预先存储在数据库中的工人面部信息进行相似度分析,若相似度高于预设第二阈值,则判定该人员的身份为现场工人,若相似度低于所述预设第二阈值,则判定该人员的身份为外来人员。
10.如权利要求8或9所述的现场工人轨迹统计系统,其特征在于,所述识别单元利用卷积神经网络识别所述视频图像数据中出现的每一个人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239833.9A CN111460985A (zh) | 2020-03-30 | 2020-03-30 | 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239833.9A CN111460985A (zh) | 2020-03-30 | 2020-03-30 | 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111460985A true CN111460985A (zh) | 2020-07-28 |
Family
ID=71685743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010239833.9A Pending CN111460985A (zh) | 2020-03-30 | 2020-03-30 | 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460985A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163497A (zh) * | 2020-09-22 | 2021-01-01 | 广东工业大学 | 一种基于图像识别的工地事故预测方法及装置 |
CN112949511A (zh) * | 2021-03-08 | 2021-06-11 | 中国建筑一局(集团)有限公司 | 一种基于机器学习和图像识别的施工现场人员管理方法 |
CN113111847A (zh) * | 2021-04-29 | 2021-07-13 | 四川隧唐科技股份有限公司 | 一种工序循环的自动监测方法、装置和系统 |
CN114372538A (zh) * | 2022-03-22 | 2022-04-19 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
CN117576146A (zh) * | 2023-11-09 | 2024-02-20 | 中国矿业大学(北京) | 建筑内多路摄像机跨视域行人轨迹还原方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103248867A (zh) * | 2012-08-20 | 2013-08-14 | 苏州大学 | 基于多摄像头数据融合的智能视频监控系统的监控方法 |
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
CN110490697A (zh) * | 2019-08-01 | 2019-11-22 | 广州织点智能科技有限公司 | 无人便利店结算方法、装置、计算机及存储介质 |
CN110796074A (zh) * | 2019-10-28 | 2020-02-14 | 桂林电子科技大学 | 一种基于时空数据融合的行人再识别方法 |
-
2020
- 2020-03-30 CN CN202010239833.9A patent/CN111460985A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103248867A (zh) * | 2012-08-20 | 2013-08-14 | 苏州大学 | 基于多摄像头数据融合的智能视频监控系统的监控方法 |
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
CN110378931A (zh) * | 2019-07-10 | 2019-10-25 | 成都数之联科技有限公司 | 一种基于多摄像头的行人目标移动轨迹获取方法及系统 |
CN110490697A (zh) * | 2019-08-01 | 2019-11-22 | 广州织点智能科技有限公司 | 无人便利店结算方法、装置、计算机及存储介质 |
CN110796074A (zh) * | 2019-10-28 | 2020-02-14 | 桂林电子科技大学 | 一种基于时空数据融合的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
JIAN YU ET AL.: ""Deep metric learning with dynamic margin hard sampling loss for face verification", 《SIGNAL,IMAGE AND VIDEO PROCESSING》 * |
都伊林: "《智能安防新发展与应用》", 31 May 2018 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163497A (zh) * | 2020-09-22 | 2021-01-01 | 广东工业大学 | 一种基于图像识别的工地事故预测方法及装置 |
CN112163497B (zh) * | 2020-09-22 | 2023-08-04 | 广东工业大学 | 一种基于图像识别的工地事故预测方法及装置 |
CN112949511A (zh) * | 2021-03-08 | 2021-06-11 | 中国建筑一局(集团)有限公司 | 一种基于机器学习和图像识别的施工现场人员管理方法 |
CN113111847A (zh) * | 2021-04-29 | 2021-07-13 | 四川隧唐科技股份有限公司 | 一种工序循环的自动监测方法、装置和系统 |
CN114372538A (zh) * | 2022-03-22 | 2022-04-19 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
CN117576146A (zh) * | 2023-11-09 | 2024-02-20 | 中国矿业大学(北京) | 建筑内多路摄像机跨视域行人轨迹还原方法和系统 |
CN117576146B (zh) * | 2023-11-09 | 2024-05-10 | 中国矿业大学(北京) | 建筑内多路摄像机跨视域行人轨迹还原方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460985A (zh) | 基于跨摄像头人体匹配的现场工人轨迹统计方法和系统 | |
CN110852219B (zh) | 一种多行人跨摄像头在线跟踪系统 | |
CN110751022A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
KR20180042802A (ko) | 정의된 영역 내의 객체를 추적하기 위한 방법 및 시스템 | |
CN106341661B (zh) | 巡逻机器人 | |
CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN108710827B (zh) | 一种社区微警务巡查和信息自动分析系统及方法 | |
CN110633612A (zh) | 一种巡检机器人的监控方法及系统 | |
CN106981150A (zh) | 一种超市智能防盗系统及方法 | |
CN115457449B (zh) | 一种基于ai视频分析和监控安防的预警系统 | |
CN111160307A (zh) | 一种人脸识别方法及人脸识别打卡系统 | |
CN109754478A (zh) | 一种低用户配合度的人脸智能考勤方法 | |
CN110852148A (zh) | 一种基于目标追踪的访客目的地核验方法及系统 | |
CN113408683A (zh) | 一种施工现场安全监管方法及系统 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN113343854A (zh) | 一种基于视频监控的动火作业流程合规性检测方法 | |
RU2315352C2 (ru) | Способ и система для автоматического обнаружения трехмерных образов | |
CN111814763B (zh) | 一种基于跟踪序列的无感考勤和制服识别方法 | |
CN115346256A (zh) | 机器人寻人方法及系统 | |
KR20220056279A (ko) | 인공 지능 기반 비전 감시 장치 | |
CN116189052A (zh) | 基于视频流分析的安防方法、系统、智能终端及存储介质 | |
CN114937237A (zh) | 一种基于ai智能识别的工地安全监测方法及系统 | |
CN115620192A (zh) | 一种高空作业安全绳穿戴检测的方法和装置 | |
CN111027510A (zh) | 行为检测方法及装置、存储介质 | |
CN114677608A (zh) | 身份特征生成方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |